java matlab 遗传算法_遗传算法实例(Matlab实现)

遗传算法优化函数y=10*sin(5*x)+7*abs(x-5)+10,这个函数图像为：

下面看代码：

(1)首先看主函数

function main()

clear;

clc;

%种群大小

popsize=100;

%二进制编码长度

chromlength=10;

%交叉概率

pc = 0.6;

%变异概率

pm = 0.001;

%初始种群

pop = initpop(popsize,chromlength);

for i = 1:100

%计算适应度值(函数值)

objvalue = cal_objvalue(pop);

fitvalue = objvalue;

%选择操作

newpop = selection(pop,fitvalue);

%交叉操作

newpop = crossover(newpop,pc);

%变异操作

newpop = mutation(newpop,pm);

%更新种群

pop = newpop;

%寻找最优解

[bestindividual,bestfit] = best(pop,fitvalue);

x2 = binary2decimal(bestindividual);

x1 = binary2decimal(newpop);

y1 = cal_objvalue(newpop);

if mod(i,10) == 0

figure;

fplot('10*sin(5*x)+7*abs(x-5)+10',[0 10]);

hold on;

plot(x1,y1,'*');

title(['迭代次数为n=' num2str(i)]);

%plot(x1,y1,'*');

end

end

fprintf('The best X is --->>%5.2f\n',x2);

fprintf('The best Y is --->>%5.2f\n',bestfit);

(2)下面看二进制种群生成的方法

%初始化种群大小

%输入变量：

%popsize：种群大小

%chromlength：染色体长度-->>转化的二进制长度

%输出变量：

%pop：种群

function pop=initpop(popsize,chromlength)

pop = round(rand(popsize,chromlength));

%rand(3,4)生成3行4列的0-1之间的随机数

% rand(3,4)

%

% ans =

%

% 0.8147 0.9134 0.2785 0.9649

% 0.9058 0.6324 0.5469 0.1576

% 0.1270 0.0975 0.9575 0.9706

%round就是四舍五入

% round(rand(3,4))=

% 1 1 0 1

% 1 1 1 0

% 0 0 1 1

%所以返回的种群就是每行是一个个体，列数是染色体长度

(3)下面看如何把二进制返回对应的十进制

%二进制转化成十进制函数

%输入变量：

%二进制种群

%输出变量

%十进制数值

function pop2 = binary2decimal(pop)

[px,py]=size(pop);

for i = 1:py

pop1(:,i) = 2.^(py-i).*pop(:,i);

end

%sum(.,2)对行求和，得到列向量

temp = sum(pop1,2);

pop2 = temp*10/1023;

(4)下面看计算适应度函数：

%计算函数目标值

%输入变量：二进制数值

%输出变量：目标函数值

function [objvalue] = cal_objvalue(pop)

x = binary2decimal(pop);

%转化二进制数为x变量的变化域范围的数值

objvalue=10*sin(5*x)+7*abs(x-5)+10;

(5)如何选择新的个体

上面所有个体的函数值都计算出来了，存在objvalue中，此时它是不是也是100组y值啊，恩，那么对于现有的随机生成的100组x，怎么来再选择100组新的更好的x呢？这里我们把选择放在了交叉与变异之间了，都可以，如何选择，就要构造概率的那个轮盘了，谁的概率大，是不是选择的个体就会多一些？也就是现在的选择就是100中100个，最后出现的就够就是以前的100个中最优的x有一个的话，选择完后，可能就变成5个这个x了，多余的4个是不是相当于顶替了以前的不好的4个x值，这样才能达到x总数100不变啊。

%如何选择新的个体

%输入变量：pop二进制种群，fitvalue：适应度值

%输出变量：newpop选择以后的二进制种群

function [newpop] = selection(pop,fitvalue)

%构造轮盘

[px,py] = size(pop);

totalfit = sum(fitvalue);

p_fitvalue = fitvalue/totalfit;

p_fitvalue = cumsum(p_fitvalue);%概率求和排序

ms = sort(rand(px,1));%从小到大排列

fitin = 1;

newin = 1;

while newin<=px

if(ms(newin))

newpop(newin,:)=pop(fitin,:);

newin = newin+1;

else

fitin=fitin+1;

end

end

(6)怎么交叉

%交叉变换

%输入变量：pop：二进制的父代种群数，pc：交叉的概率

%输出变量：newpop：交叉后的种群数

function [newpop] = crossover(pop,pc)

[px,py] = size(pop);

newpop = ones(size(pop));

for i = 1:2:px-1

if(rand

cpoint = round(rand*py);

newpop(i,:) = [pop(i,1:cpoint),pop(i+1,cpoint+1:py)];

newpop(i+1,:) = [pop(i+1,1:cpoint),pop(i,cpoint+1:py)];

else

newpop(i,:) = pop(i,:);

newpop(i+1,:) = pop(i+1,:);

end

end

(7)怎么变异

%关于编译

%函数说明

%输入变量：pop：二进制种群，pm：变异概率

%输出变量：newpop变异以后的种群

function [newpop] = mutation(pop,pm)

[px,py] = size(pop);

newpop = ones(size(pop));

for i = 1:px

if(rand

mpoint = round(rand*py);

if mpoint <= 0;

mpoint = 1;

end

newpop(i,:) = pop(i,:);

if newpop(i,mpoint) == 0

newpop(i,mpoint) = 1;

else newpop(i,mpoint) == 1

newpop(i,mpoint) = 0;

end

else newpop(i,:) = pop(i,:);

end

end

(8)选择最优个体

%求最优适应度函数

%输入变量：pop:种群，fitvalue:种群适应度

%输出变量：bestindividual:最佳个体，bestfit:最佳适应度值

function [bestindividual bestfit] = best(pop,fitvalue)

[px,py] = size(pop);

bestindividual = pop(1,:);

bestfit = fitvalue(1);

for i = 2:px

if fitvalue(i)>bestfit

bestindividual = pop(i,:);

bestfit = fitvalue(i);

end

end

到这里遗传算法程序就算是结束了。

看部分图片结果：

交叉

基本遗传算法(SGA)中交叉算子采用单点交叉算子。

单点交叉运算

变异

转:https://www.cnblogs.com/LoganChen/p/7509702.html